ラゴス拠点の音声AIスタートアップSpitchの創業者兼CEOであるTemi Babs氏に、OpenAIやElevenLabsのような資金力のある世界的企業が明日にもアフリカの言語に本格的に注力し始めたらどうなるのかと尋ねると、彼はためらうことなく答える。まず自分を通過しなければならない、と。

それは、自身も「raised very little money（ほとんど資金調達していない）」と認め、まだ黒字化もしていない創業者としては大胆な主張だ。だが、Spitchの創業者兼CEOが記録として残したいのはまさにこの点だ。大陸の言語向け音声インフラにおいては、資本こそが誰もが想定する参入障壁ではない、ということだ。

「私たちはここまで先行するためにブートストラップでやってきたので、この点はよく分かっています」と彼はTechnextの独占インタビューで語った。「資本だけで勝てるとは思っていません。いくら資本があっても、作れなければ…」

彼はそこで言葉を切り、本質を続ける。「アフリカ市場にサービスを提供しようとする資金力のあるグローバル企業は、Spitchがこの2年間で積み上げてきた、関係性、データ、そして平均的なナイジェリア人、平均的な西アフリカ人、あるいは東アフリカ人の考え方への理解を必要とするはずだ」。そしてこう締めくくる。「それは何十億ドルでも買えない」

講師はYoruba、Igbo、Englishを文中で切り替えながら話し、Pidginを使う人もいた。2つの言語を同じ息で混ぜる人もいた。そこには、きれいな学習データセットでは想定されていない教室の雑音があった。「そのユースケースでは、その製品がアフリカの文脈で実際に機能することは不可能だった」とBabs氏は語った。

チームはこの失敗を撤退の理由ではなくシグナルとして受け止めた。講義室でこれほどまでに書き起こしが破綻するなら、機械がアフリカの言語を確実に聞き取り、理解し、話すという根本課題は、教育分野だけにとどまるものではない。それはインフラの問題だった。

方向転換は迅速だった。Spitchは2024年10月の正式プロダクト公開の1週間前に有料顧客を獲得しており、Babs氏は今でもその点を嬉しそうに語る。「それによって、私たちが作っている製品に対する検証が得られました」

2年が経った現在、Babs氏によるとSpitchは約1,800人の開発者、4社のエンタープライズ顧客、そして15社の中規模企業に利用されている。これらの企業は、顧客コミュニケーションを同プラットフォーム上で処理している。名指しされたエンタープライズ顧客にはSafaricom EthiopiaやナイジェリアのニュースメディアLeadershipが含まれ、ほかにも複数の小規模なB2B提携があるという。

用途は、Babs氏が率直に認めるように、特に奇抜なものではない。インバウンド／アウトバウンドのカスタマーサポートと、顧客に自国語でコンテンツを届けることだ。「見てきた限り、特に驚くことは何もありません」と彼は言う。「それを事業の核となる根本的なニーズにつなげる限りは」

この仕事で何が本当に難しいのかをBabs氏に尋ねると、答えはモデルのアーキテクチャではなくデータだ。「Computeは大半が、どれだけお金があるかで制約されます」と彼は説明した。「でもデータは別の話です。データの扱いと管理には政策や規制の枠組みがあります」。この点で、データ取得は計算資源の問題よりも「1つか2つレベル」難しいと彼は主張する。

Spitchの課題解決アプローチは3段階で進化してきた。創業チームは最初、自分たちの声を録音して初期モデルを学習させた。次に、Hausa、Igbo、Yoruba、Amharicなど個別言語をカバーするラベル付きデータセットをパートナーからライセンスした。現在は、企業顧客と直接提携し、既存の音声データを使ってモデルを微調整し、それを顧客自身の環境に展開している。

同社は、基盤となるインフラの特性上、技術的には400以上の言語をサポートできるが、実際に強く訓練・維持しているのは、西アフリカと東アフリカの約15〜20言語だ。

Nigeriaの2027年選挙が迫り、最近も大統領報道官がAI生成動画を流布した事案があったことから、音声クローンの倫理はSpitchにとって仮説ではない。

Babs氏によれば、同プラットフォームが生成する音声はすべて暗号学的に署名されており、問題のファイルの来歴を検証できる。その上で彼は、一般向け教育の重要性も強調する。「オンラインで見かけるものは何でも偽物かもしれない、という前提で考えてください。その人本人から直接出たものでない限り、すぐには信じないことです」

規制については、Babs氏は対立的ではなく慎重な姿勢を取る。彼の見立てでは、NigeriaのNational AI Strategyや新たに整備されつつあるデータ保護の枠組みは、これまでのところ地元の開発者に「かなり包括的」だという。

彼が懸念しているのはタイミングだ。政府が「早すぎる段階で過度に作り込みすぎる」ことで、技術やその害が十分に理解される前に企業へコンプライアンス要件を積み増してしまうことを危惧している。

Babs氏は「the ElevenLabs of Africa」と呼ばれることを明らかに嫌う。音声AI企業を地理で定義するのは、その実態を過小評価していると彼は主張する。「アフリカは世界の他の地域とコミュニケーションしています。アフリカは孤立していません」と彼は言う。彼の言い方では、Spitchは世界的な先行企業を追う地域版のコピーではなく、世界の他の地域が無視してきた言語のためのインフラだ。

その位置づけが、十分な資金を持つ競合が市場に入ってきたときにも通用するかは、まだ分からない。

ただし、5年後にどこにいたいかについて、Babs氏は曖昧ではない。アフリカ全体の音声コミュニケーションの少なくとも3分の1に関与していることだという。「Voiceは単なるコミュニケーション手段ではありません」と彼は語った。「それは私たちのアイデンティティであり、文化です。私たちがどう生きるかそのものです」